Comptez les verbes. Elle galope, saute, se bat, atteint, décroche. Cinq temps, dont trois impliquent un changement de position sur un train en marche, dans une requête dont le champ de durée indique cinq secondes. Cela fait une seconde par temps, et une seconde ne suffit pas à un spectateur pour enregistrer qu’un temps a eu lieu, encore moins au modèle pour le mettre en scène.
Ce que Wan 3.0 fait d’un prompt pareil vaut d’être compris précisément, parce que ce n’est pas ce qu’on attend. Il ne tronque pas. Il ne manque pas de temps et ne s’arrête pas. Il comprime le programme dans la durée qu’on lui a donnée, ce qui veut dire que chaque temps est tenté et que chaque temps est précipité — ou, à ce rapport, que la plupart sont abandonnés en silence et que le modèle choisit lequel sert de socle au clip. Dans le lancement publié, il a choisi le premier : le galop le long du train, dans la poussière, au coucher du soleil. C’est un beau plan et ce n’est pas le plan que le prompt décrit.
C’est l’échec le plus courant de la catégorie et, chez Wan 3.0 en particulier, le plus facile à corriger. Le modèle génère n’importe quel nombre entier de secondes de deux à trente. Une séquence d’action à cinq temps veut le haut de cette plage. Monter le nombre coûte six fois plus de crédits et achète un clip qui contient ce que vous avez écrit — ce qui est un meilleur échange que cinq lancements d’une version comprimée.
Ce que monter le nombre ne fait pas tout seul, c’est donner un ordre aux temps. Il n’y a pas de syntaxe de code temporel chez Wan 3.0. Écrire « 0-6s: she rides alongside » dépense des caractères et n’achète rien ; le modèle le lit comme du texte. La grammaire qui fonctionne, ce sont les connecteurs ordinaires — then, after that, finally — et parmi eux le dernier compte le plus. Un clip de trente secondes dont le prompt ne dit jamais comment il finit inventera une fin, et la fin inventée est presque toujours une lente dérive hors de l’action plutôt qu’une coupe sur l’image la plus forte. Ici la fin est déjà écrite dans l’histoire : le wagon qui s’éloigne sur une autre voie. Il lui manque juste le mot « finally » devant.
Deux choses dans ce prompt sont discrètement excellentes et méritent d’être reprises quoi que vous fassiez du reste. La première est le masque. Un protagoniste masqué supprime le problème de continuité le plus dur du plan — il n’y a pas de visage à garder stable à travers un saut et un combat — et rend cette capacité au mouvement. Couvrez un visage chaque fois que l’identité n’est pas le sujet.
La seconde est « practical stunt realism ». L’action générée tend vers l’apesanteur : des corps qui flottent dans les arcs, des impacts sans suite, des chevaux qui glissent. Ces trois mots demandent l’inverse, et ils le font en nommant une méthode de production plutôt qu’une propriété visuelle, ce qui est une indication bien plus forte. « Realistic » est un souhait. « Practical stunt » est une façon de tourner, et le modèle a vu énormément d’images tournées ainsi.
Une note de structure sur le mode. Il s’agit d’image de référence, ce qui chez Wan 3.0 veut dire jusqu’à dix images, cinq clips et cinq pistes audio dans une même requête — avec une vraie syntaxe qui va avec. Les éléments se citent dans le prompt comme `Image 1`, `Video 1`, `Audio 1` : avec une majuscule, une espace, numérotés selon leur ordre dans le tableau. Ce prompt n’en utilise rien, ce qui convient à un échantillon publié et ne convient pas à une requête de production. Si la hors-la-loi, le train et le canyon sont des choses dont vous avez des images, dites-le par numéro, et le modèle cesse de les inventer.
Enfin, la facture. Le clip de référence est la seule entrée que Wan 3.0 facture : une source est facturée au même tarif à la seconde que la sortie et comptée dans le même plafond de trente secondes. Dix images de référence sont gratuites et un clip de référence de quinze secondes est la chose la plus chère que vous puissiez joindre à une requête. Personne n’écrit cela franchement à propos de ce modèle, et c’est la ligne de facture qui surprend.
Vidéo